CycleGAN là một loại mạng đối thủ tổng hợp (GAN) được sử dụng trong các tác vụ học máy không giám sát. Mạng được phát triển bởi Erik Meijer và Jun-Yan Zhu từ UC Berkeley vào năm 2017. Nó được thiết kế để học các bản dịch từ hình ảnh sang hình ảnh mà không cần bất kỳ dữ liệu đầu vào ghép nối nào.
Không giống như các GAN khác, CycleGAN có thể được sử dụng để ánh xạ hình ảnh từ miền này sang miền khác mà không cần tập hợp hình ảnh đầu vào cố định từ mỗi miền. Điều này có thể thực hiện được nhờ việc học từ các hình ảnh từ cả hai miền cùng một lúc, trái ngược với các bộ dữ liệu “được ghép nối”, thường được sử dụng trong các GAN khác. Điều này giúp thu hẹp khoảng cách giữa hai miền hình ảnh khác nhau, cho phép thực hiện tác vụ tạo hình ảnh phức tạp hơn.
Mô hình CycleGAN bao gồm hai thành phần: bộ tạo và bộ phân biệt đối xử. Trình tạo lấy hình ảnh đầu vào từ một trong hai miền và tạo ra hình ảnh đầu ra ở miền khác. Sau đó, bộ phân biệt sẽ đánh giá hình ảnh đầu ra và quyết định xem đó là hình ảnh thật từ miền khác hay hình ảnh được tạo từ trình tạo.
Một ứng dụng ví dụ của CycleGAN là dịch từ hình ảnh sang hình ảnh, cho phép chuyển đổi hình ảnh từ miền này sang hình ảnh khác trong miền khác. Ví dụ: CycleGAN có thể chụp ảnh một quả táo và chuyển nó thành bức tranh màu nước về quả táo. Ứng dụng này đặc biệt hữu ích trong thị giác máy tính và robot, trong đó các phép biến đổi dữ liệu phức tạp nhưng tương tự về mặt hình ảnh là cần thiết cho các tác vụ như nhận dạng đối tượng.
Kể từ khi được giới thiệu vào năm 2017, CycleGAN đã được sử dụng trong nhiều tác vụ khác nhau, từ dịch hình ảnh sang hình ảnh đến tổng hợp văn bản thành hình ảnh. Cách tiếp cận không giám sát mang tính cách mạng của nó để học các phép biến đổi phức tạp khiến nó trở thành một công cụ hiệu quả cho nhiều ứng dụng.
